Data & Process Mining

Die Teilnehmer erhalten fundierte Einblicke in grundlegende Methoden, Verfahren und Konzepte des Data und Process Mining. Sie können diese, unterstützt durch Softwarewerkzeuge, auf gegebene Aufgabenstellungen anwenden und ihre Analyseergebnisse angemessen präsentieren und visualisieren.   Präsenztermine

• Donnerstag, 5. Juni 2025, 09:00 - 17:00 Uhr
• Freitag, 6. Juni 2025, 09:00 - 17:00 Uhr
• Donnerstag, 3. Juli 2025, 09:00 - 17:00 Uhr
• Freitag, 4. Juli 2025, 09:00 - 17:00 Uhr

Angewandte Statistik und prädiktive Methoden

Das Modul vermittelt Grundlagen statistischer Data Science. Dazu führt das Modul kurz in Grundbegriffe der Statistik wie Konfidenzintervalle und Hypothesentests ein und diskutiert anschließend lineare Modelle und die logistische Regression. Im weiteren Teil lernen Sie Methoden der angewandten Statistik kennen, die notwendig sind, um Prädiktionsmodelle unter statistischer Unsicherheit zu entwickeln und diese zu bewerten.   Präsenztermine

• Freitag, 9. Mai 2025, 09:00 - 17:00 Uhr - Terminüberschneidung mit Modul MdP
• Freitag, 13. Juni 2025, 09:00 - 17:00 Uhr
• Mittwoch, 9. Juli 2025, 09:00 - 17:00 Uhr

Mathematische Optimierung betrieblicher Prozesse

Welche Produkte in welchem Umfang soll ein Unternehmen wann produzieren, um gleichzeitig die Nachfrage zu befriedigen, die Produktionskapazitäten auszunutzen und den vorhandenen Lagerplatz einzuhalten? Wann soll welcher Produktionsauftrag auf welcher Maschine einer Fabrik ausgeführt werden, um die Produktionslinien optimal auszulasten? Wie sollten die unterschiedlich qualifizierten Mitarbeiter einer Beratung auf die anstehenden Projekte verteilt werden, um diese effizient zu bewältigen? Dies sind gängige Probleme, die oftmals im Firmenalltag von erfahrenen Planern von Hand gelöst werden. Die Komplexität dieser Probleme steigt jedoch gewöhnlich exponentiell, sodass die händische Planung langwierig wird und nur suboptimale Lösungen liefert. Hier setzt mathematische Optimierung an. Sie lernen in diesem Kurs, welche Möglichkeiten es gibt, Produktionsprozesse und Ressourceneinteilungen mathematisch zu modellieren, und welche Algorithmen geeignet sind, diese zu optimieren. Anhand realitätsnaher Beispiele werden Sie unter Einsatz von Python üben, die Theorie in Praxis umzusetzen. Termine:

• Das Modul wird im Sommersemester 2025 nicht stattfinden.

Grundlagen der Mathematik

Der Einführungskurs “Grundlagen der Mathematik” vermittelt den Studierenden Grundkenntnisse der höheren Mathematik und soll ihnen dadurch den Einstieg in das berufsbegleitende Studium bzw. den studienbedingten Wechsel von einer Hochschule an eine Universität erleichtern. Nach Abschluss des Kurses haben die Studierenden einen Überblick über die wichtigsten Themengebiete der Analysis und Linearen Algebra. Insbesondere beherrschen die Studierenden elementare Beweistechniken und sind mit den grundlegenden Begriffen der Mengenlehre, Vektorräumen und Matrizen vertraut. Zusätzlich haben die Studierenden einen Überblick über die Eigenschaften, die eine Funktion charakterisieren, hierzu zählen vor allem die Stetigkeit und Differenzierbarkeit einer Funktion. Außerdem machen sich die Studierenden mit den Definitionen der Konvergenz für Folgen und Reihen und dem Rechnen mit Grenzwerten vertraut. Auf Basis dieses Einführungsmoduls sind die Teilnehmer/Innen in der Lage weiterführende, mathematisch orientierte Veranstaltungen zu besuchen.

Zeitplan

• Elementare Beweistechniken
• Mengenlehre

• Vektorräume
• Online-Seminar zu Übungsblatt 1 und Übungsblatt 2

• Matrizen
• Online-Seminar zu Übungsblatt 3

• Folgen und Reihen
• Online-Seminar zu Übungsblatt 4

• Funktionen
• Online-Seminar zu Übungsblatt 5

• Online-Seminar zu Übungsblatt 6

Vertiefungskurs Mathematik - Statistik und Wahrscheinlichkeitsrechnung

Der "Vertiefungskurs Mathematik – Statistik und Wahrscheinlichkeitsrechnung" vermittelt den Studierenden vertiefende Kenntnisse zu Statistik und Wahrscheinlichkeitsrechnung und soll ihnen dadurch den Einstieg in das berufsbegleitende Studium bzw. den studienbedingten Wechsel von einer Hochschule an eine Universität erleichtern. Nach Abschluss des Kurses haben die Studierenden einen Überblick über die Theorie der Integralrechnung und den Grundlagen der elementaren Wahrscheinlichkeitsrechnung und Statistik. Zusätzlich sind die Studierenden nach Abschluss des Kurses geübt im Umgang mit Zufallsstichproben, Schätzverfahren für Parameter und Hypothesentests. Auf Basis dieses Einführungsmoduls sind die Teilnehmer/Innen in der Lage weiterführende, mathematisch orientierte Veranstaltungen zu besuchen.

Zeitplan

• Integralrechnung

• Grundlangen der Wahrscheinlichkeitsrechnung (Teil 1)
• Online-Seminar zu Übungsblatt "Integralrechnung"

• Grundlagen der Wahrscheinlichkeitsrechnung (Teil 2)
• Online-Seminar zu Übungsblatt "Grundlagen der Wahrscheinlichkeitsrechnung (Teil 1)"

• Statistik
• Online-Seminar zu Übungsblatt "Grundlagen der Wahrscheinlichkeitsrechnung (Teil 2)"

• Online-Seminar zu Übungsblatt "Statistik"

Big (Social) Data Analytics - Methoden und Anwendungen

Heutzutage stehen Unternehmen enorme Datenmengen bspw. aus Online Social Networks zur Verfügung. Die zielgerichtete und fundierte Analyse dieser Daten ermöglicht eine verbesserte Entscheidungsunterstützung und birgt großes Potenzial, bspw. in den Bereichen Produktentwicklung, Marketing und Customer Relationship Management. Im Modul „Big (Social) Data Analytics“ werden hierfür zentrale Methoden vermittelt und fallstudienbasiert illustriert. Präsenztermine:

• Donnerstag, 15. Mai 2025, 09:00 - 17:00 Uhr
• Freitag, 16. Mai 2025, 09:00 - 17:00 Uhr
• Donnerstag, 10. Juli 2025, 09:00 - 17:00 Uhr
• Freitag, 11. Juli 2025, 09:00 - 17:00 Uhr

Numerische Methoden für Data Science

Durch das Wachstum an Datenvolumen stehen Unternehmen vor der Herausforderung, diese extrem großen Datenmengen ("Big Data") speichern und analysieren zu können. Dies ist entscheidend, um sie für weitere Prozesse zu verwenden. Herkömmliche algorithmische Methoden, die alle Daten betrachten, sind entweder nicht mehr anwendbar oder benötigen zu lange Rechenzeiten. In diesem Modul werden Sie numerische Methoden, Verfahren und Algorithmen kennenlernen, die auch für große Datenmengen noch effizient arbeiten und so erlauben, aus größeren Datenmengen Muster zu erkennen und wichtige Informationen zu extrahieren.

Präsenztermine:

• Freitag, 17. Oktober 2025, 9:00 - 17:00 Uhr
• Freitag, 21. November 2025, 9:00 - 17:00 Uhr
• Samstag, 6. Dezemeber 2025, 9:00 - 17:00 Uhr
• Freitag, 9. Januar 2026, 9:00 - 17:00 Uhr

Klausur:

• wird noch bekannt gegeben